pandas.map()函数是对Series中的每个元素执行相同的映射/转换操作的方法，其主要作用是对Series中的每个元素进行映射转换，返回一个新的Series对象。
pandas.map()函数的语法如下：
DataFrame.map(arg, na_action=None)其中，参数arg可以是一个函数、字典或Series，用来指定转换方法。na_action用来指定处理缺失值的方式，其可选值有‘ignore’、‘raise’和‘fillna’。
例如，我们有一个Series对象，其元素为字符串类型的数字：
import pandas as pd
import numpy as np
s = pd.Series(['1', '2', '3', '4', '5'])我们可以使用map()方法将Series中的所有元素转换为整型：
s = s.map(int)
print(s)输出结果如下：
0 1
1 2
2 3
3 4
4 5
dtype: int64我们也可以使用字典对Series中的元素进行映射，例如，我们有一个Series对象，其内容为：
s = pd.Series(['cat', 'dog', 'monkey', 'tiger', 'lion'])我们可以使用如下字典对其进行映射：
animal_dict = {'cat': 'feline', 'dog': 'canine', 'monkey': 'primate', 'tiger': 'feline', 'lion': 'feline'}
new_s = s.map(animal_dict)
print(new_s)输出结果如下：
0 feline
1 canine
2 primate
3 feline
4 feline
dtype: object在上面的例子中，我们使用字典将Series中的每个元素映射为另一个值，并返回一个新的Series对象。注意，如果字典中没有某个元素的对应值，则映射后的值为NaN。
在使用pandas.map()函数时，我们需要注意处理缺失值的方式。例如，我们有一个Series对象，其中包含一些缺失值：
s = pd.Series(['1', '2', np.nan, '4', '5'])如果我们使用map()方法将其转换为整型，则会出现异常：
s = s.map(int)
print(s)输出结果为：
ValueError: cannot convert float NaN to integer此时，我们可以使用na_action参数指定如何处理缺失值。例如：
s = s.map(int, na_action='ignore')
print(s)此时，输出结果为：
0 1.0
1 2.0
2 NaN
3 4.0
4 5.0
dtype: float64在上面的例子中，我们使用了na_action参数，将缺失值的处理方式设置为忽略，这样在转换时就不会出现异常了。
除了使用字典、函数或Series作为转换方法外，我们还可以使用lambda函数来指定转换方法。例如，我们有一个Series对象，其每个元素都是一个字符串类型的十六进制数：
s = pd.Series(['0x10', '0x20', '0x30', '0x40', '0x50'])我们可以使用lambda函数将其转换为十进制数，如下所示：
s = s.map(lambda x: int(x, 16))
print(s)输出结果为：
0 16
1 32
2 48
3 64
4 80
dtype: int64在上面的例子中，我们使用lambda函数作为转换方法，对每个元素进行了映射转换。注意，lambda函数的参数是Series中的每个元素。
本文链接：http://task.lmcjl.com/news/17669.html